Optimizing hyperparameters for enhanced performance in convolutional neural networks: A study using NASNetMobile and DenseNet201 Models
| dc.authorid | 0000-0001-7708-8731 | |
| dc.authorid | 0000-0002-3752-7354 | |
| dc.contributor.author | Aksoy, İbrahim | |
| dc.contributor.author | Adem, Kemal | |
| dc.date.accessioned | 2024-06-11T07:24:03Z | |
| dc.date.available | 2024-06-11T07:24:03Z | |
| dc.date.issued | 2024 | |
| dc.department | Sosyal Bilimler Enstitüsü | |
| dc.description.abstract | Convolutional neural networks, inspired by the workings of biological neural networks, have proven highly successful in tasks like image data recognition, classification, and feature extraction. Yet, designing and implementing these networks pose certain challenges. One such challenge involves optimizing hyperparameters tailored to the specific model, dataset, and hardware. This study delved into how various hyperparameters impact the classification performance of convolutional neural network models. The investigation focused on parameters like the number of epochs, neurons, batch size, activation functions, optimization algorithms, and learning rate. Using the Keras library, experiments were conducted using NASNetMobile and DenseNet201 models—highlighted for their superior performance on the dataset. After running 65 different training sessions, accuracy rates saw a notable increase of 6.5% for NASNetMobile and 11.55% for DenseNet201 compared to their initial values. | |
| dc.description.abstract | Biyolojik sinir ağlarının işleyişinden esinlenen evrişimli sinir ağlarının görüntü verisi tanıma, sınıflandırma ve özellik çıkarma gibi görevlerde oldukça başarılı olduğu kanıtlanmıştır. Yine de, bu ağların tasarlanması ve uygulanması bazı zorluklar ortaya çıkarmaktadır. Bu zorluklardan biri, belirli model, veri kümesi ve donanıma göre uyarlanmış hiperparametrelerin optimize edilmesidir. Bu çalışmada, çeşitli hiperparametrelerin evrişimli sinir ağı modellerinin sınıflandırma performansını nasıl etkilediği araştırılmıştır. Araştırma epok sayısı, nöronlar, yığın boyutu, aktivasyon fonksiyonları, optimizasyon algoritmaları ve öğrenme oranı gibi parametrelere odaklanmıştır. Keras kütüphanesi kullanılarak NASNetMobile ve DenseNet201 modelleri (veri kümesindeki üstün performansları nedeniyle vurgulanmıştır) kullanılarak deneyler yapılmıştır. 65 farklı eğitim oturumu gerçekleştirildikten sonra, doğruluk oranları ilk değerlerine kıyasla NASNetMobile için %6,5 ve DenseNet201 için %11,55 oranında kayda değer bir artış göstermiştir. | |
| dc.identifier.doi | 10.46387/bjesr.1419106 | |
| dc.identifier.endpage | 52 | en_US |
| dc.identifier.isbn | 2687-4415 | |
| dc.identifier.issue | 1 | en_US |
| dc.identifier.startpage | 42 | en_US |
| dc.identifier.uri | https:/dx.doi.org/10.46387/bjesr.1419106 | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12451/11919 | |
| dc.identifier.volume | 6 | en_US |
| dc.indekslendigikaynak | TR-Dizin | |
| dc.language.iso | en | |
| dc.publisher | Bandırma Onyedi Eylül Üniversitesi | |
| dc.relation.ispartof | Mühendislik Bilimleri ve Araştırmaları dergisi (Online) | |
| dc.relation.publicationcategory | Makale - Uluslararası Hakemli Dergi - Kurum Öğretim Elemanı | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Image Classification | |
| dc.subject | DenseNet | |
| dc.subject | NASNetMobile | |
| dc.subject | Optimization Algorithm | |
| dc.subject | CNN | |
| dc.subject | Görüntü Sınıflandırma | |
| dc.subject | NASNetMobile | |
| dc.subject | ESA | |
| dc.subject | Optimizasyon Algoritmaları | |
| dc.title | Optimizing hyperparameters for enhanced performance in convolutional neural networks: A study using NASNetMobile and DenseNet201 Models | |
| dc.title.alternative | Evrişimli ainir Ağlarında gelişmiş performans için hiperparametrelerin optimize edilmesi: NASNetMobile ve DenseNet201 modellerini kullanan bir çalışma | |
| dc.type | Article |
